Técnicas avanzadas de modelado apilado para la estimación de porosidad de materiales mediante tomografía computarizada de alta resolución

Por qué importan los agujeros minúsculos en el hormigón

Desde puentes y rascacielos hasta parques eólicos marinos, muchas de las estructuras de las que dependemos están hechas de hormigón o materiales similares diseñados. Oculta en estos sólidos hay una arquitectura delicada de vacíos diminutos, o poros, que gobierna silenciosamente cuán resistentes, duraderos e impermeables son. Medir esta porosidad ha requerido tradicionalmente trabajos de laboratorio lentos y una inspección cuidadosa de imágenes complejas por rayos X. Este estudio presenta una forma totalmente automatizada de interpretar esas imágenes mediante inteligencia artificial, prometiendo comprobaciones más rápidas y fiables sobre la salud y la calidad de los materiales de construcción modernos.

Mirar dentro de los materiales con rayos X

La porosidad es, esencialmente, la fracción de espacio vacío dentro de un sólido. En el hormigón y materiales relacionados, afecta desde la resistencia mecánica y el crecimiento de grietas hasta la facilidad con la que el agua, las sales o los contaminantes se infiltran. Cada vez más, los ingenieros usan microtomografía computarizada (micro‑TC) para escanear muestras en 3D, produciendo imágenes en escala de grises detalladas de dónde se sitúan las fases sólidas y los vacíos. Pero convertir estas imágenes ricas en un mapa claro de poros no es trivial. Las técnicas tradicionales dependen de elegir manualmente umbrales de brillo y de dibujar regiones de interés, decisiones que pueden variar entre operadores y fallar cuando las imágenes son ruidosas o la resolución es limitada. El resultado es un flujo de trabajo intensivo en mano de obra que puede tener dificultades para seguir el ritmo de las necesidades industriales.

Poner a una red neuronal a encontrar lo importante

Los autores abordan estos problemas con un enfoque “apilado” que combina aprendizaje profundo con reglas de imagen cuidadosamente diseñadas. Primero, se entrena una red neuronal convolucional profunda (DeepCNN), inspirada en modelos populares de detección de objetos, para analizar cortes 2D de escaneos micro‑TC de diversos materiales similares al hormigón. Estos incluyen varios morteros cementosos, un mortero geopolimérico y hormigón de ultra‑alto rendimiento. En lugar de segmentar directamente cada poro, la red tiene dos tareas: recortar automáticamente una región central de interés limpia—evitando artefactos de marco y distorsiones de borde—y reconocer a qué clase de material pertenece la imagen en función de sutiles patrones de textura y niveles de gris.

De tonos de gris a mapas de poros

Una vez que la red ha aislado y etiquetado la región de interés, interviene un segundo módulo para medir la porosidad. Aquí los autores evitan deliberadamente un sistema opaco de IA de extremo a extremo en favor de un procedimiento adaptativo basado en reglas. Los píxeles se agrupan primero en tres o cuatro clústeres de intensidad para separar las zonas probables de sólido, poro y transición. Dependiendo del tipo de material y de las características de la imagen, el marco selecciona entonces una receta adecuada de filtrado y umbralización—por ejemplo, aplicando desenfoques medianos o Gaussianos para reducir el ruido y eligiendo entre umbrales locales o globales de intensidad. Esta umbralización adaptativa basada en reglas convierte cada imagen en un mapa binario simple, donde un valor representa sólido y el otro vacío. La porosidad se calcula después como la fracción de píxeles clasificados como poros dentro de la región recortada.

¿Qué tan bien concuerda el nuevo método con las pruebas de laboratorio?

Para comprobar si las mediciones automatizadas son fiables, el equipo las compara con valores de porosidad obtenidos por picnometría al vacío, una técnica experimental bien establecida que infiere el volumen de poros a partir del desplazamiento de gas. En más de veinte mil imágenes TC, la porosidad estimada para cada clase de material difiere de los resultados del picnómetro por típicamente solo un 2–3 por ciento, con una concordancia especialmente estrecha para algunas mezclas. El clasificador DeepCNN en sí muestra un rendimiento casi impecable en los datos de prueba, separando claramente los seis tipos de material. Los análisis estadísticos muestran estimaciones de porosidad estables en subconjuntos del conjunto de datos, aunque el marco funciona mejor con escaneos de alta resolución y bajo ruido y es algo menos consistente para hormigones ultra‑densos, donde los poros son escasos y más difíciles de resolver.

Qué significa esto para los materiales del mundo real

En términos prácticos, el estudio demuestra que es posible convertir imágenes micro‑TC crudas de materiales cementosos complejos en estimaciones de porosidad fiables con poca o ninguna intervención humana. Al dividir la tarea en una etapa de clasificación aprendida y otra de medición transparente basada en reglas, los autores logran tanto rapidez—del orden de décimas de segundo por imagen—como interpretabilidad. El marco no es una solución universal: sigue dependiendo de la calidad de la imagen, no puede detectar poros por debajo de la resolución del escaneo y debe volver a entrenarse o adaptarse para materiales completamente nuevos. Aun así, apunta hacia flujos de trabajo industriales con TC donde el control de calidad del hormigón y materiales relacionados puede realizarse en tiempo casi real, ayudando a los ingenieros a diseñar estructuras de mayor duración y a monitorizar su salud interna con mayor eficacia.

Cita: Kim, B., K.R., S., Natarajan, Y. et al. Advanced stacked modeling techniques for material porosity estimation via high-resolution computed tomography imaging. Sci Rep 16, 12714 (2026). https://doi.org/10.1038/s41598-026-39748-1

Palabras clave: estimación de porosidad, imagen micro TC, aprendizaje profundo, materiales de hormigón, segmentación de imágenes